1. 直接优化方法选择
自动或手动,算法和响应面的算法是一样的。
前四个和响应面优化里的方法一样,后两个为:
AMO:自适应多目标,自适应的循环迭代。支持时间长短选择。自适应多目标方法是基于受控精英概念的流行NSGA-II(非支配排序遗传算法II)的变体。它支持多个目标和约束,旨在寻找全局最优解。它仅限于连续和可制造的输入参数。最初生成I个样本,每次迭代生成M个样本,并在最多N次迭代中找到P个候选样本。
ASO:自适应单目标。自适应单目标方法是一种基于梯度的算法,可提供精确的全局优化结果。它支持单个目标、多个约束条件,旨在寻找全局最优解。它仅限于连续和可制造的输入参数。在最多T个评估和G次域缩减中找到p个候选对象。
初始的样本点越多,精度越高,但是过多的话,优化容易在一两个点附近产生畸变。
2.直接优化与响应面优化的区别
(1)直接优化是从实验设计的样本点中来选取一个最优的情况,样本点数量越多,优化结果越准确;而响应面优化是基于生成的响应面数据来优化的,响应面拟合越准确,优化结果越准确。
(2)直接优化的样本点数据是通过实际的有限元模型算出来的,样本点数量成百上千,精度更高,但计算时间也更长,而响应面是对有限元样本点结果作了算法的拟合。